CN111932069A - 家庭电力用户用电能效分析方法、计算机设备、存储介质 - Google Patents
家庭电力用户用电能效分析方法、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN111932069A CN111932069A CN202010649286.1A CN202010649286A CN111932069A CN 111932069 A CN111932069 A CN 111932069A CN 202010649286 A CN202010649286 A CN 202010649286A CN 111932069 A CN111932069 A CN 111932069A
- Authority
- CN
- China
- Prior art keywords
- users
- index
- household
- consumption
- electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000006399 behavior Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000005406 washing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及家庭电力用户用电能效分析方法、计算机设备、存储介质,所述方法包括:S1、获取多个用户信息,所述用户信息包括家庭基本属性信息、家庭用电能耗信息、家庭营销数据信息;S2、对所述多个用户信息进行分析得到特征标签,根据所述特征标签进行聚类分析得到多个用户的分类结果;并且,根据所述多个用户信息计算多个用户的各指标值,根据所述各指标值采用熵权法计算各指标的指标权重;S3、根据所述多个用户的各指标值及其指标权重计算多个用户的能效评分;S4、根据所述多个用户的分类结果和能效评分对所述多个用户进行用能分析得到分析结果。本发明方法能够分析衡量家庭电力用户的用电水平,以便于为引导用户合理用电。
Description
技术领域
本发明涉及用户用电分析技术领域,具体涉及家庭电力用户用电分析方法、计算机设备、存储介质。
背景技术
我国能源消费结构主要为第二产业,第三产业和城乡居民生活用电,其中城乡居民生活用电对普通居民的生活息息相关,且随着经济的发展在总用电量中的占比逐步 提高。在世界范围内,随着全民绿色用电概念的普及,以及发展低碳经济的理念,各 个国家都朝着低碳经济、节能减排方向发展。促进可再生能源的广泛使用已成为新形 势下的目标,需求侧管理(Demand-side Management,DSM)引导用户改善其电力使用 习惯并降低电力成本。为了提高居民能效,建立能效分析模型显得尤为重要,可用于 衡量家庭用电水平,引导用户合理用电,为电力公司进行需求侧管理合理调度提供科 学依据。
目前在国内外研究中大多都是分析工业用户的能效水平,鲜有涉及普通电力用户的能效评估,此外,部分指标数据难以获取,或难以评估对居民能效的影响。在用户 分类上,目前电力用户画像的研究更多关注于营销业务,主要以提高用户缴费积极性 为目的,所采用的数据源也主要来自于营销系统。由于缺乏用户精细化用电数据,且 用户基本信息数据获取难度较大数据样本也较少,因此鲜有关注于电网需求或用户需 求的研究。
发明内容
本发明旨在提出一种家庭电力用户用电能效分析方法、计算机设备、存储介质,以用于根据家庭电力用户的类别,对家庭电力用户的用电能效进行分析。
为此,本发明的实施例提出一种家庭电力用户用电能效分析方法,包括如下步骤:
步骤S1、获取多个用户信息,所述用户信息至少包括家庭基本属性信息、家庭用电能耗信息、营销数据信息;
步骤S2、对所述多个用户信息进行分析得到用于表征多个用户特征的特征标签,根据所述特征标签进行聚类分析得到多个用户的分类结果;并且,根据所述多个用户 信息计算用于量化描述用户能耗情况的多个用户的各指标值,根据所述多个用户的各 指标值采用熵权法计算各指标的指标权重;
步骤S3、根据所述多个用户的各指标值及其指标权重计算多个用户的能效评分;
步骤S4、根据所述多个用户的分类结果和能效评分对所述多个用户进行用能分析得到分析结果。
可选地,在所述步骤S2中,对所述多个用户信息进行分析得到用于表征多个用 户特征的特征标签,包括:
根据所述家庭基本属性信息获得对应的自然属性标签,并根据所述家庭用电能耗信息以及营销数据信息获得对应的用户行为标签,用电特性标签、消费习惯标签;其 中,所述家庭基本属性信息包括家庭人口、家庭面积、家庭收入,所述家庭用电能耗 信息包括家庭的各用电器及其用电能耗、使用时间段,所述营销数据信息包括投诉记 录、违约记录、窃电记录、缴费记录。
可选地,在所述步骤S2中,根据所述特征标签进行聚类分析得到多个用户的分 类结果,包括:
根据所述特征标签,利用K-means聚类算法进行聚类分析,以将具有相似用户特征的用户划分为一类;其中用户的类别包括高能耗、中高能耗、中能耗、中低能耗和 低能耗。
可选地,所述步骤S2中,根据所述多个用户信息计算用于量化描述用户能耗情 况的多个用户的各指标值,根据所述多个用户的各指标值采用熵权法计算各指标的指 标权重,包括:
根据所述多个用户信息计算多个用户的各指标值;
根据所述多个用户的各指标值计算各指标的熵值;
其中,第j项指标的熵值ej计算如下公式:
其中,b>0,ej>0,n为用户总数,pi,j为第i个用户的第j项指标的指标值;
根据所述各指标的熵值计算各指标的差异性系数比;
gj=1-ej
其中,gj为第j项指标的差异性系数比;
以及,根据所述各指标的差异性系数比计算各指标的权重;
其中,m为指标总数,wj为第j项指标的权重。
可选地,所述步骤S3,包括:
根据所述多个用户的各指标的指标值,采用TOPSIS算法对所述多个用户的进行各指标评分得到各指标评分值;
以及,根据多个用户的各指标评分值以及指标权重进行计算得到多个用户的能效评分。
可选地,所述步骤S4,包括:
将不同分类的用户的能效评分进行排序,并选取每一分类中能效评分最高的用户作为用能分析用户;
以及,将不同类型的用能分析用户的家庭基本属性信息进行对比分析,确定不同类型用户之间的用能差异,并根据所述用能差异生成分析结果。
可选地,所述指标包括家庭人均能耗A1、家庭单位面积能耗A2、万元收入能耗 A3、照明能耗及使用时间段B1、冰箱能耗及使用时间段B2、热水器能耗及使用时间 短B3、洗衣机能耗及使用时间短B4、空调能耗及使用时间短B5、分布式电源用能比 重C1、新能源汽车C2。
可选地,所述方法,还包括:
获取电价方案,并根据所述电价方案以及所述分析结果生成用于节约用户用能成本的用电建议。
本发明的实施例还提出一种计算机设备,包括:存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器 执行根据上述的实施例所述的家庭电力用户用电能效分析方法的步骤。
本发明的实施例还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的实施例所述的家庭电力用户用电能效分析方法 的步骤。
本发明的实施例提出一种家庭电力用户用电能效分析方法、计算机设备、存储介质,用于对用户的家庭基本属性信息、家庭能耗信息和家庭新能源信息进行处理分析 得到用户特征标签,根据用户特征标签进行分类,并根据家庭能耗信息和家庭新能源 信息确定指标权重,根据指标及其指标权重计算用户的能效评分,最终根据用户的类 别以及能效评分对家庭电力用户的用电能效进行分析,分析结果可以用于衡量家庭用 电水平,从而为引导用户合理用电以及电力公司进行需求侧管理合理调度提供科学依 据。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说 明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅 是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提 下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种家庭电力用户用电能效分析方法的流程图。
图2为本发明实施例中电力用户能效指标体系示意图。
图3为本发明实施例的实验算例中五类用户各电器用电能耗聚类中心曲线示意图;
图4为本发明实施例的实验算例中TOPSIS评价结果趋势示意图;
图5为本发明实施例的实验算例中不同类型之间的用户比较示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但 是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中, 对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
本发明一实施例提出一种家庭电力用户用电能效分析方法,图1为本实施例方法的流程图,参阅图1,本实施例方法包括如下步骤:
步骤S1、获取多个用户信息,所述用户信息至少包括家庭基本属性信息、家庭用电能耗信息和家庭营销数据信息;
具体而言,人口是影响电耗量的一个重要因素,一般情况下,若其他条件不变, 人口越多所消耗的电能就越多。房屋面积的增加也会对家庭用电量产生影响,一般来 说较大的房屋面积需要更多的如照明和空调等用电设备,这样就产生了更多的用电能 耗。收入与居民用电密切相关。人均家庭收入的增加往往使人们对电力服务的需求增 加,例如洗衣机和空调的拥有量增加,大功率电器增多,且使用频繁,如此,住宅用 电量将会增加会造成一些不必要的浪费,Ziramba根据国内人均生产总值和电力价格 的线性双对数关系,考察了南非居民对电力的需求。实证结果表明,收入是决定电力 需求的主要因素。因此,本实施例中选取家庭信息用户分类的依据。
本实施例中利用非侵入式电力负荷监测(NILM)获取家庭能耗信息,其中NILM 具体为利用电器开关在进行状态切换时所产生的功率变化信息来对用电器进行分类, 根据这些信息来估计家用电器的类别和数量,在已建立的特征库中匹配出该电器的类 型,得到该电器的使用能耗和使用时间段。将NILM技术集成到智能电表中,并采用 双参数递归最小二乘估计方法,以及符合AMI发展趋势的双变遗忘因子策略来在线 估计电表的误差,其获取的用电信息的精度会更高,识别电器的种类也会更多。本实 施例选取基于非侵入式信息的家电能耗信息,其中包括常用家用电器的使用能耗和使 用时间段,能够全面反映家庭用电能耗情况,且层次分明,简明扼要。
所述家庭营销数据信息包括家庭用户的投诉记录、违约记录、窃电记录、缴费记录等。
步骤S2、对所述多个用户信息进行分析得到用于表征多个用户特征的特征标签,根据所述特征标签进行聚类分析得到多个用户的分类结果;并且,根据所述多个用户 信息计算用于量化描述用户能耗情况的多个用户的各指标值,根据所述多个用户的各 指标值采用熵权法计算各指标的指标权重;
具体而言,本实施例方法在应用之前,预先设定了多个特征标签,当然,对于任 一用户而言,该用户并不一定包括具有预先设定的所有特征标签。其中,聚类分析指 将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程,根据多个用 户的特征标签,通过聚类分析可以将多个用户分别划分至对应的类别的集合中,实现 分类,所述分类结果实际上即为得到的多个用户集合,每一集合代表一种类别。
本实施例中的指标值具体根据指标内容确定,例如,对于用电器能耗及使用时间段的指标而言,其指标值可以设置为用电器的能耗功率。
其中,按照信息论基本原理的解释,信息是系统有序程度的一个度量,熵是系统无序程度的一个度量;根据信息熵的定义,对于某项指标,可以用熵值来判断某个指 标的离散程度,其信息熵值越小,指标的离散程度越大,该指标对综合评价的影响 (即权重)就越大,如果某项指标的值全部相等,则该指标在综合评价中不起作用。 因此,可利用信息熵计算出各个指标的权重(即熵权法),为多指标综合评价提供依 据。
步骤S3、根据所述多个用户的各指标值及其指标权重计算多个用户的能效评分;
具体而言,根据所述多个用户的各指标值可以确定初始能效评分,具体可以采用任意的评分算法进行计算得到,本实施例中不限于特定的算法,在计算得到多个用户 的各指标的初始能效评分之后,可以结合初始能效评分及其对应的权重来计算得到多 个用户的最终能效评分。
步骤S4、根据所述多个用户的分类结果和能效评分对所述多个用户进行用能分析得到分析结果。
具体而言,本实施例通过对应不同分类的用户之间的能效评分,可以确定不同分类用户之间、以及同一分类用户之间的用能差异,该用能差异能够用于衡量家庭用电 水平,从而为引导用户合理用电以及电力公司进行需求侧管理合理调度提供科学依据。
其中,在分析家庭用能情况时,还可以具体采用横向比较和纵向比较的方法,首先对同社区或类型的不同家庭用户在统一能效指标情况下进行比较。以空间为坐标, 在进行比较时应注意对不容同研究对象进行比较的前提条件,即它们必须是同类的或 具有相同性质的,而且必须是处于同一时间区间的。
另外对电力用户自身历史用电情况进行纵向比较,包括以时间为坐标在不同时间里的发展变化进行比较。通过测量与比较研究对象在先后不同时间段中的变化,发现 家庭能量消耗问题并找到解决的方法。
本实施例优选采用的方法包括但不限于插入排序、选择排序、冒泡排序和快速排序等。其中插入排序基本操作就是将一个数据插入到已经排好序的有序数据中,从而 得到一个新的、个数加一的有序数据,算法适用于少量数据的排序,是稳定的排序方 法。插入排序的基本思想是:每步将一个待排序的纪录,按其关键码值的大小插入前 面已经排序的文件中适当位置上,直到全部插入完为止。选择排序(Selection sort) 是一种简单直观的排序算法。它的工作原理是每一次从待排序的数据元素中选出最小 (或最大)的一个元素,存放在序列的起始位置,直到全部待排序的数据元素排完。 选择排序是不稳定的排序方法。冒泡排序(Bubble Sort),是一种计算机科学领域的 较简单的排序算法。它重复地走访过要排序的数列,一次比较两个元素,如果他们的 顺序错误就把他们交换过来。走访数列的工作是重复地进行直到没有再需要交换,也 就是说该数列已经排序完成。这个算法的名字由来是因为越大的元素会经由交换慢慢 “浮”到数列的顶端。快速排序(Quicksort)是对冒泡排序的一种改进。它的基本思想 是:通过一趟排序将要排序的数据分割成独立的两部分,其中一部分的所有数据都比 另外一部分的所有数据都要小,然后再按此方法对这两部分数据分别进行快速排序, 整个排序过程可以递归进行,以此达到整个数据变成有序序列。
可选地,在所述步骤S2中,对所述多个用户信息进行分析得到用于表征多个用 户特征的特征标签,包括:
根据所述家庭基本属性信息获得对应的自然属性标签,并根据所述家庭用电能耗信息以及营销数据信息获得对应的用户行为标签,用电特性标签、消费习惯标签;其 中,所述家庭基本属性信息包括家庭人口、家庭面积、家庭收入,所述家庭用电能耗 信息包括家庭的各用电器及其用电能耗、使用时间段,所述营销数据信息包括投诉记 录、违约记录、窃电记录、缴费记录。
具体而言,由于家庭基本属性信息一般不会改变,但家庭用电能耗信息与家庭营销数据信息则会根据用户的行为习惯发生相应的变化,因此需要识别用户行为的发生, 对行为的特征进行描述,发现用户行为之间的关联性,然后对电力行为进行分类最终 构建出用户行为标签库。
本实施例中通过非侵入式设备获取用户的用电信息,非计量数据可采用用户调查或用电数据反推等方式获取用户行为特征数据,再对所获取的数据进行标准化处理, 然后进行各类综合指标值分析,分析用户的行为特征标签、用电特性特征标签、消费 习惯特征标签,
所述根据所述家庭用电能耗信息以及营销数据信息获得对应的用户行为标签,用电特性标签、消费习惯标签,包括:
将同一时间段的调控可以分为三个类别,共分成14维标签内容,根据先后顺序 排列分别包括用户行为标签L1,用电特性标签L2-L9,消费习惯标签L10-L14,如下所 示:
对各用户类别对应的数据作出向量表示:
{L(1),L(2),…,L(K),…,L(14)}
在上述式中各维数据所具备的物理意义存在差异,且获得的数据具有一定异常,在经过聚类分析前需要对数据做出清洗,对该式中的各项数据信息采用Z-Score方法 开展标准化处理:
在进行数据的标准化处理之后,根据标准化处理后的数据生成特征标签。
用户行为标签LB,体现出具体逻辑量,可以覆盖四类调控值,分别为-1、-1、1、 1,对各时段是否在家情况进行估计,也是用户分类的初选方式,将一天24小时划分 为四个时间段,分别用标签-1、-1、1、1表示,因此可以对-1时间段的用户用电情况 进行过滤,-1时间段表示用户不在家的情况。
用电特性标签LE,可以通过8维数据进行体现,即L2至L9,可通过公式获得综合 标签值LE。
其中,λk表示为各维数据对应权值。
消费习惯标签LC,可以通过5维数据进行体现,即L10至L14,可通过公式获得综 合标签值LC;
其中,λk表示为各维数据对应权值。
通过以上计算,可以得到用电特性标签、消费习惯标签的综合标签值。
其中,根据所述特征标签进行聚类分析得到多个用户的分类结果,包括:
根据所述特征标签,利用K-means聚类算法进行聚类分析,以将具有相似用户特征的用户划分为一类;其中用户的类别包括高能耗、中高能耗、中能耗、中低能耗和 低能耗。
具体而言,根据用电特性标签、消费习惯标签的综合标签值进行聚类,基于轮廓系数得出的最优类内容。将所获得的数据转变为可以直观反映本质的两维数据,即 [LE(i),LC(i)],在该数据中i表示第i个用户,在改进过程中需要以LE(i)为基础,结合欧 氏距离理论,获得各类别中心点LE(k),
需要以LC(k)为基础,结合欧氏距离理论,获得各类别中心点LC(j),得出 (LE(k),LE(j)),得出多个平面中心点,结合曼哈顿距离公式,对各用户类别加以分析:
min(abs(LE(i),LE(k)))k=1,2,3,…
abs(LC(i),LC(j))j=1,2,3,…
基于以上描述,可以得到用户的分类。
可选地,所述步骤S2中,根据所述多个用户信息计算用于量化描述用户能耗情 况的多个用户的各指标值,根据所述多个用户的各指标值采用熵权法计算各指标的指 标权重,包括如下(1)~(4):
(1)根据所述多个用户信息计算多个用户的各指标值;
具体而言,如图2所示,本实施例提供了一种居民用户能效指标体系,其根据家 庭电力用户的家庭基本属性信息、家庭用电能耗信息、家庭新能源信息进行构建,其 中,所述指标包括家庭人均能耗A1、家庭单位面积能耗A2、万元收入能耗A3、照 明能耗及使用时间段B1、冰箱能耗及使用时间段B2、热水器能耗及使用时间短B3、 洗衣机能耗及使用时间短B4、空调能耗及使用时间短B5、分布式电源用能比重C1、 新能源汽车C2;
示例性地,对于指标A1~A3,其指标分别为对应的家庭人均能耗、家庭单位面积能耗、万元收入能耗,对于指标B1~B3,其指标为家庭电力用户的多个相同类型用电 器的总能耗,例如多个照明用电器的用电能耗之和,多个冰箱的用电能耗之和,对于 指标C1,其指标为分布式电源用能占家庭总用电能耗的比重,其中分布式电源包括 风力发电和光伏发电两种,装设分布式电需要到电力公司进行备案,因此相关数据较 易于获取;对于指标C2,其指标指的是插电动汽车的用电能耗。
本实施例中考虑了新能源对电力用户的影响,全面反映了家庭的用能情况。通过将可控常规负荷与各种新能源储能元件和需求侧响应手段相结合,可以适应电力系统 日益增长的调节需求。
(2)根据所述多个用户的各指标值计算各指标的熵值;
首先将数据进行预处理,删除异常和无效数据。家庭中,照明、空调等电器数量 可能不止一个,需要进行统一处理,按下式进行合并处理,以便评估分析。
其中,Pi为第i类用电器功率,Pj为同类型用电器的功率。
新能源的使用可能不会节省能耗,但对家庭支出、保护环境等方面都是最佳的电源选择。本实施例通过新能源用能比来量化新能源的使用情况,采用家庭新能源出力 能耗与家庭总用电能耗的比值来计算新能源用能比,如下式所示。
其中Pk为新能源供能系统(光伏、风力等)发电出力能耗,当k=0时表示该家庭没有 新能源设备,PΣ为家庭总用电能耗。
其中,第j项指标的熵值ej计算如下公式:
其中,b>0,ej>0,n为用户总数,pi,j为第i个用户的第j项指标的指标值;
(3)根据所述各指标的熵值计算各指标的差异性系数比;
gj=1-ej
其中,gj为第j项指标的差异性系数比,gj越大则表示该指标越重要,反之则越不重要。
(4)根据所述各指标的差异性系数比计算各指标的权重;
其中,m为指标总数,wj为第j项指标的权重。
可选地,所述步骤S3,包括:
根据所述多个用户的各指标的指标值,采用TOPSIS算法对所述多个用户的进行各指标评分得到各指标评分值;
以及,根据多个用户的各指标评分值以及指标权重进行计算得到多个用户的能效评分。
具体而言,本实施例采用TOPSIS算法求解各用户的相对接近度,得出各用户指 标评估分数。采用多属性的决策分析法,对有限评价指标和理想目标之间的相近度进 行排序,对当前分析对象进行相对优劣的评价。
示例性地,采用优劣解距离法,评价过程首先计算各方案到正(负)理想解的距离,然后计算各指标评分值,具体如下:
a)计算各指标值到正(负)理想解的距离:
b)计算指标评分值:
其中,所述根据多个用户的各指标评分值以及指标权重进行计算得到多个用户的能效评分,具体为:将用户的各指标评分值分布乘以其对应的指标权重,相加得到用 户的能效评分。
可选地,所述步骤S4,包括:
将不同分类的用户的能效评分进行排序,并选取每一分类中能效评分最高的用户作为用能分析用户;
以及,将不同类型的用能分析用户的家庭基本属性信息进行对比分析,确定不同类型用户之间的用能差异,并根据所述用能差异生成分析结果。
可选地,所述方法,还包括:
获取电价方案,并根据所述电价方案以及所述分析结果生成用于节约用户用能成本的用电建议。
具体而言,售电公司基于自身的信息分析,给出用能情况报告及家庭用电方案建议。现货市场竞争中,用电套餐科学化,将更有利于电网公司或售电公司平滑电力供 给曲线,实现节约电网投资,减少网损等收益;用户基于电网公司或售电公司的电价 方案,可以基于自身的用电行为调整,获得节约用能成本的收益。根据供电区域、计 费方式(固定费率、可变费率、阶梯电价、单一电价、分时电价)和支付方式的不同 组合形成不同的套餐。
本实施例基于家庭信息指标提高了具体问题具体分析的能力,区分不同类型用户之间的差异,可根据用户具体情况给出相关的用能建议。基于非侵入式信息数据提高 了评估的精度,可信度,进一步提升用户采纳用能建议的可能性,可大幅降低不必要 的能耗,从而提高能效,同时也给电力公司的需求侧管理提供了有效帮助。基于新能 源信息指标对提高用户清洁能源的使用率有一定帮助,通过横纵对比用户将会考虑使 用更多的清洁能源,能源效率也会大大提高。
为验证本实施例方法的技术效果,下面结合实验算例数据进行说明。
基于现有实验数据为某20个用户30天内的日用电数据,其中包括由NILM获得 的约46个不同电器设备的用电信息。家庭人口,收入,面积等信息在文中则采用模 拟的方法随机获取,人口的范围在[1,5]人,家庭收入在[10000,30000]元,家庭面积在 [70,120]平方米。在实际运用中可通过用户调查来获取相关家庭信息。本实施例分析 方法为在线运行模式,分析的时间间隔通常为7~30天,验数据以15min为采样周期 对应一天中的96点负荷数据。目前NILM设备可检测出51种不同用电器的使用情况, 设备的安装尚处于试点阶段,故选取20个记录了一年以上的用户用电数据,选取其 中30天的数据作为实验数据。能效评估可看作电网公司提供的“增值服务”,为了确保 用户调查数据的完整性,试点用户需要在电网公司的指导下填写用户调查报告。
在本实施例中所使用的用户用电数据均由NILM设备提供,故采样周期均为15min,用户的个人信息由用户填写并录入数据库中,主要采用Excel的方式存储,并 进行分析。实验数据中51种用电器包括了家庭中常用的家电,包括空调,冰箱,电 视,热水器,洗衣机等大型电器。
对原始数据进行数据筛选,把全为0的数据进行删除,经过删除后可用数据有20位用户用。此外通过蒙特卡洛模拟的方法来模拟普通用户的用电数据,以此扩展原有 用电数据,将原有的20个用户数据扩展为400个。主成分分析(principal component analysis,PCA)和聚类分析(cluster analysis)是现代多元统计分析学科中处理多变量、高 维度系统最方便快捷的方法之一。在本发明中,由于评估指标中的电器信息过多,故 需要通过主成分降维,然后采用聚类分析把用户进行分类,以便做进一步的评估分析。
经过PCA降维并分析其累计方差贡献率后,前3个主成分包含原始数据集的大部分信息,因此可以使用较少的主成分来表示原始数据集,从而实现降维。降维后采用 k-means对主成分进行聚类得到用户聚类结果。经过PCA降维后用户通过k-means分 为五类用户。第一类、第二类和第三类用户相似,第五类用户一部分与一、二、三类 用户相似,但有一部分与其他类型用户差异较大;第四类用户相较其他类用户差异都 较大,且用户数最少。
如图3所示,为五类用户各电器用电数据聚类中心曲线。从曲线的趋势来看各类用户电器的用能情况大致相同,如在电器编号3,编号13,编号24都有一个上升的 趋势,而在编号25到编号36都同为功耗较低的电器。值得注意的是第2类用户电器 编号6至编号8的用电量比其他两类用户都较高,在后面的能效分析中可对此进行分 析,并给出相应用电建议。电器编号46号以后的电器分别为波动负荷、常在负荷、 其他负荷、未知负荷和自定义负荷。因此在46号电器以后所有类型用户电器能耗有 一个明显的上升,且用电量都较大。第1类用户用电量主要在电器13,电器24,和 电器49有应该明显的上升过程。第5类用户在常规电器中相较其他类型用户用电量 较高。第2类和第4类用户在常规用电器中用电特征相似,常在负荷和其他负荷的用 电量较为突出,在后续的能效分析中可着重分析次两类用户的用电是否合理,并给出 相应的用电建议。与其他类型用户相比,第3类用户包括常在负荷和其他负荷用电量 都较低。
表1中显示了各种用户的具体特征,其中具有不同的电能消耗,家庭人口,家庭 收入等。可以看出第3类用户电器平均电耗量最低,第2类第5类用户的功耗相对较 高,可以分析两类用户的能耗水平,并给出相应的用能建议。由于第3类用户的电器 能耗平均值较低,且人口和面积都在同等水平下,因此可定义该类用户为“出差族”类 型。五类用户的聚类中心差距较小,主要差异在于用户能耗。第1类和第4类用户的 能源消耗相似,但第4类用户的家庭收入较低,而第1类用户的家庭收入较低,人口 收入水平较低。
表1-聚类结果中各类型用户特征
用户的类别可划分为高能耗,中高能耗,中能耗,中低能耗,低能耗五类用户, 其中第一类用户用电量在一个较为可观的水平,故把第一类用户定义为中高能耗用户; 第二类用户用电量较高,定义为高能耗用户;第三类用户用电量最低,定义为低能耗 用户;第四类用户定义为中能耗用户;第五类用户定义为中低能耗用户。
根据公式求出权重系数,以此来确定指标的权重。由公式得到最终TOPSIS评价 的得分情况,各类别的TOPSIS评价分数如图4所示。
根据图5对各类用户进行能效分析。从整体上看各家庭的评价分数都较低,可见大部分用户都可以进行用能分析,并通过分析找出用能薄弱的环节以此来提高能效。 从图中可以看出第3类用户数量最多分数都在15分以上,可对此类用户进行细致化 分析并给出相应的用能建议。
第1类和第2类用户数较多,整体分数比第3类较低,但从各类用户特征中可以 看出第1类用户的人口在2人左右为最低,第2类用户的收入水平最高,可着重分析 该两类用户的用能情况,其中可能出现长明灯等用能不合理的情况。第4类用户的家 庭面积和家庭收入都最低,但用能缺较高,这也因此成为样本数量最少的类型。
用能分析,首先分析不同类别用户之间的用能差异。选取各类型用户中分数排名第一的用户进行对比,从整体上来说不同类型用户间各电器的用能分布大致相同,其 中用户119相较其他用户用能水平明显较低,电器的能耗上升幅度相对较弱;用户 269与该用户用能情况相似,但由于人口,面积,收入三方面原因造成了不同的聚类 结果,因此用户269在该类用户中的评分较高。用户14、229、9在电器13和电器49 与其他两类用户相比能耗较大,可进一步考察是否存在长期待机或长明状态。
本发明的实施例还提出一种计算机设备,包括:存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器 执行根据上述的实施例所述的家庭电力用户用电能效分析方法的步骤。
当然,所述计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该计算机设备还可以包括其他用于实现设备功能的部 件,在此不做赘述。
示例性的,所述计算机程序可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个单 元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算 机程序在所述计算机设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑 器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常 规的处理器等,所述处理器是所述计算机设备的控制中心,利用各种接口和线路连 接整个所述计算机设备的各个部分。
所述存储器可用于存储所述计算机程序和/或单元,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或单元,以及调用存储在存储器内的数据,实 现所述计算机设备的各种功能。此外,存储器可以包括高速随机存取存储器,还可以 包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁 盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明的实施例还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的实施例所述的家庭电力用户用电能效分析方法 的步骤。
具体而言,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存 储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电 载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对 于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语 的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使 本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种家庭电力用户用电能效分析方法,其特征在于,包括如下步骤:
步骤S1、获取多个用户信息,所述用户信息包括家庭基本属性信息、家庭用电能耗信息以及家庭营销数据信息;
步骤S2、对所述多个用户信息进行分析得到用于表征多个用户特征的特征标签,根据所述特征标签进行聚类分析得到多个用户的分类结果;并且,根据所述多个用户信息计算用于量化描述用户能耗情况的多个用户的各指标值,根据所述多个用户的各指标值采用熵权法计算各指标的指标权重;
步骤S3、根据所述多个用户的各指标值及其指标权重计算多个用户的能效评分;
步骤S4、根据所述多个用户的分类结果和能效评分对所述多个用户进行用能分析得到分析结果。
2.如权利要求1所述的家庭电力用户用电能效分析方法,其特征在于,在所述步骤S2中,对所述多个用户信息进行分析得到用于表征多个用户特征的特征标签,包括:
根据所述家庭基本属性信息获得对应的自然属性标签,并根据所述家庭用电能耗信息以及营销数据信息获得对应的用户行为标签,用电特性标签、消费习惯标签;其中,所述家庭基本属性信息包括家庭人口、家庭面积、家庭收入,所述家庭用电能耗信息包括家庭的各用电器及其用电能耗、使用时间段,所述营销数据信息包括投诉记录、违约记录、窃电记录、缴费记录。
3.如权利要求2所述的家庭电力用户用电能效分析方法,其特征在于,在所述步骤S2中,根据所述特征标签进行聚类分析得到多个用户的分类结果,包括:
根据所述特征标签,利用K-means聚类算法进行聚类分析,以将具有相似用户特征的用户划分为一类;其中用户的类别包括高能耗、中高能耗、中能耗、中低能耗和低能耗。
4.如权利要求3所述的家庭电力用户用电能效分析方法,其特征在于,所述步骤S2中,根据所述多个用户信息计算用于量化描述用户能耗情况的多个用户的各指标值,根据所述多个用户的各指标值采用熵权法计算各指标的指标权重,包括:
根据所述多个用户信息计算多个用户的各指标值;
根据所述多个用户的各指标值计算各指标的熵值;
其中,第j项指标的熵值ej计算如下公式:
其中,b>0,ej>0,n为用户总数,pi,j为第i个用户的第j项指标的指标值;
根据所述各指标的熵值计算各指标的差异性系数比;
gj=1-ej
其中,gj为第j项指标的差异性系数比;
以及,根据所述各指标的差异性系数比计算各指标的权重;
其中,m为指标总数,wj为第j项指标的权重。
5.如权利要求4所述的家庭电力用户用电能效分析方法,其特征在于,所述步骤S3,包括:
根据所述多个用户的各指标的指标值,采用TOPSIS算法对所述多个用户的进行各指标评分得到各指标评分值;
以及,根据多个用户的各指标评分值以及指标权重进行计算得到多个用户的能效评分。
6.如权利要求5所述的家庭电力用户用电能效分析方法,其特征在于,所述步骤S4,包括:
将不同分类的用户的能效评分进行排序,并选取每一分类中能效评分最高的用户作为用能分析用户;
以及,将不同类型的用能分析用户的家庭基本属性信息进行对比分析,确定不同类型用户之间的用能差异,并根据所述用能差异生成分析结果。
7.如权利要求1-6任一项所述的家庭电力用户用电能效分析方法,其特征在于,所述指标包括家庭人均能耗A1、家庭单位面积能耗A2、万元收入能耗A3、照明能耗及使用时间段B1、冰箱能耗及使用时间段B2、热水器能耗及使用时间短B3、洗衣机能耗及使用时间短B4、空调能耗及使用时间短B5、分布式电源用能比重C1、新能源汽车C2。
8.如权利要求6所述的家庭电力用户用电能效分析方法,其特征在于,所述方法,还包括:
获取电价方案,并根据所述电价方案以及所述分析结果生成用于节约用户用能成本的用电建议。
9.一种计算机设备,包括:存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行根据权利要求1-8中任一项所述家庭电力用户用电能效分析方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1-8中任一项所述家庭电力用户用电能效分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649286.1A CN111932069A (zh) | 2020-07-08 | 2020-07-08 | 家庭电力用户用电能效分析方法、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010649286.1A CN111932069A (zh) | 2020-07-08 | 2020-07-08 | 家庭电力用户用电能效分析方法、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111932069A true CN111932069A (zh) | 2020-11-13 |
Family
ID=73313389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010649286.1A Pending CN111932069A (zh) | 2020-07-08 | 2020-07-08 | 家庭电力用户用电能效分析方法、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932069A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834837A (zh) * | 2020-11-20 | 2021-05-25 | 国网天津市电力公司 | 基于非侵入式负荷监测的用户行为精细化分析方法 |
CN113052465A (zh) * | 2021-03-26 | 2021-06-29 | 河北建研节能设备有限公司 | 一种电力用户用电能效分析系统及其方法 |
CN113256349A (zh) * | 2021-06-25 | 2021-08-13 | 国网江西省电力有限公司供电服务管理中心 | 一种提供电力产品套餐的标签库构建方法 |
CN113450022A (zh) * | 2021-07-20 | 2021-09-28 | 山东普赛通信科技股份有限公司 | 一种基于生活习惯的智能节能平衡方法与系统 |
CN113466535A (zh) * | 2021-06-17 | 2021-10-01 | 国网山东省电力公司淄博供电公司 | 一种基于相似度匹配的非侵入式负荷辨识方法 |
CN113486971A (zh) * | 2021-07-19 | 2021-10-08 | 国网山东省电力公司日照供电公司 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
CN114780860A (zh) * | 2022-05-30 | 2022-07-22 | 国网浙江省电力有限公司杭州供电公司 | 基于多维大数据融合汇聚的自主决策方法 |
CN116307584A (zh) * | 2023-03-20 | 2023-06-23 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984307A (zh) * | 2014-05-08 | 2014-08-13 | 国网山西省电力公司经济技术研究院 | 一种基于用电波形分析的能源监控管理系统及方法 |
CN109063945A (zh) * | 2018-06-08 | 2018-12-21 | 广州亦云信息技术股份有限公司 | 一种基于价值评估体系的售电公司360度客户画像构建方法 |
CN109325537A (zh) * | 2018-09-26 | 2019-02-12 | 深圳供电局有限公司 | 用电管理方法、装置、计算机设备和存储介质 |
US20200355387A1 (en) * | 2018-08-20 | 2020-11-12 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
-
2020
- 2020-07-08 CN CN202010649286.1A patent/CN111932069A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984307A (zh) * | 2014-05-08 | 2014-08-13 | 国网山西省电力公司经济技术研究院 | 一种基于用电波形分析的能源监控管理系统及方法 |
CN109063945A (zh) * | 2018-06-08 | 2018-12-21 | 广州亦云信息技术股份有限公司 | 一种基于价值评估体系的售电公司360度客户画像构建方法 |
US20200355387A1 (en) * | 2018-08-20 | 2020-11-12 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
CN109325537A (zh) * | 2018-09-26 | 2019-02-12 | 深圳供电局有限公司 | 用电管理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
XIANGYU KONG: "A Household Energy Efficiency Index Assessment Method Based on Non-Intrusive Load MonitoringData", 《APPLIED SCIENCES》, vol. 10, no. 11, pages 1 - 21 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834837A (zh) * | 2020-11-20 | 2021-05-25 | 国网天津市电力公司 | 基于非侵入式负荷监测的用户行为精细化分析方法 |
CN112834837B (zh) * | 2020-11-20 | 2022-12-09 | 国网天津市电力公司 | 基于非侵入式负荷监测的用户行为精细化分析方法 |
CN113052465A (zh) * | 2021-03-26 | 2021-06-29 | 河北建研节能设备有限公司 | 一种电力用户用电能效分析系统及其方法 |
CN113466535A (zh) * | 2021-06-17 | 2021-10-01 | 国网山东省电力公司淄博供电公司 | 一种基于相似度匹配的非侵入式负荷辨识方法 |
CN113256349A (zh) * | 2021-06-25 | 2021-08-13 | 国网江西省电力有限公司供电服务管理中心 | 一种提供电力产品套餐的标签库构建方法 |
CN113486971A (zh) * | 2021-07-19 | 2021-10-08 | 国网山东省电力公司日照供电公司 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
CN113486971B (zh) * | 2021-07-19 | 2023-10-27 | 国网山东省电力公司日照供电公司 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
CN113450022A (zh) * | 2021-07-20 | 2021-09-28 | 山东普赛通信科技股份有限公司 | 一种基于生活习惯的智能节能平衡方法与系统 |
CN114780860A (zh) * | 2022-05-30 | 2022-07-22 | 国网浙江省电力有限公司杭州供电公司 | 基于多维大数据融合汇聚的自主决策方法 |
CN114780860B (zh) * | 2022-05-30 | 2023-09-05 | 国网浙江省电力有限公司杭州供电公司 | 基于多维大数据融合汇聚的自主决策方法 |
CN116307584A (zh) * | 2023-03-20 | 2023-06-23 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
CN116307584B (zh) * | 2023-03-20 | 2023-09-29 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932069A (zh) | 家庭电力用户用电能效分析方法、计算机设备、存储介质 | |
CN111932070A (zh) | 一种家庭电力用户用电能效分析装置 | |
Sun et al. | Probabilistic peak load estimation in smart cities using smart meter data | |
Naganathan et al. | Building energy modeling (BEM) using clustering algorithms and semi-supervised machine learning approaches | |
Fu et al. | Clustering-based short-term load forecasting for residential electricity under the increasing-block pricing tariffs in China | |
CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
Hino et al. | A versatile clustering method for electricity consumption pattern analysis in households | |
CN101398919A (zh) | 利用模式分析的电力需求信息分析系统及其方法 | |
CN111832861A (zh) | 基于大数据平台的居民负荷变尺度画像方法和系统 | |
CN111612228A (zh) | 一种基于用电信息的用户用电行为分析方法 | |
Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
Zhou et al. | Study on the distribution characteristics and uncertainty of multiple energy load patterns for building group to enhance demand side management | |
CN102087319B (zh) | 识别回路上电器用电行为的方法与系统 | |
Brudermueller et al. | Large-scale monitoring of residential heat pump cycling using smart meter data | |
Jianyuan et al. | Anomaly electricity detection method based on entropy weight method and isolated forest algorithm | |
CN115081893A (zh) | 用户用电数据分析方法、装置、电子设备及可读存储介质 | |
Jin et al. | Comprehensive evaluation of impacts of connecting distributed generation to the distribution network | |
Zapata-Webborn et al. | The short-and long-term impacts of COVID-19 on household energy consumption in England and Wales | |
Liu et al. | Multi-dimensional energy efficiency assessment of residential users based on big data analysis of differentiated electricity consumption behavior | |
Peng et al. | An integrated analytics model applied to power consumption | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
Riveiro et al. | Modeling and analysis of energy data: state-of-the-art and practical results from an application scenario | |
Ma | Socio-Economic Data Analytics and Applications in the Smart Grids | |
Angelopoulos et al. | Data Analytics to Improve Customer Energy Efficiency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |